芯片行业与人工智能（AI）领域正沿着两条看似背道而驰的道路前进。芯片设计趋向于特定领域的优化，而AI则展现出惊人的多变性和泛用性。

这种分裂不仅揭示了硬件和软件发展的不同步，也预示着未来芯片与系统架构的重大变革。从ChatGPT掀起全球浪潮以来，仅仅18个月，软件初创企业如雨后春笋般涌现，探索着新的架构和技术。

然而，一块定制芯片从设计到量产通常需要超过18个月的时间。这种时间差凸显了软件与硬件迭代速度的不对等，尤其在AI领域，硬件可能在大规模生产时就已经落后于最新的软件需求。

Part 1

定制与通用的拉锯战

随着AI应用的多样化，定制硬件面临着首次运行失败的风险增加，因为硬件的固化特性难以跟上软件的快速进化。然而，这并非意味着定制硅片的末日。

数据中心正在部署越来越多的处理架构，每种架构在特定任务上都比单一通用CPU表现更佳。特定领域AI芯片的挑战在于如何高效地将软件映射到异构处理器阵列上，而这正是行业尚未攻克的难题。

AI的兴起得益于GPU的强大处理能力，但GPU的领导地位也带来了阻力。虽然GPU在处理重复数学运算方面难以超越，但其通用性限制了针对特定应用的极致优化。面对AI算法的快速迭代，设计通用加速器的公司必须不断预测未来，而定制实现可能在短期内保持领先地位，直到新的定制实现出现。

硬件实现需要在通用性和特定性之间找到平衡。随着AI模型的参数量和操作需求不断增加，专用硬件单元成为了必要选择。尽管通用设备数量不足，但小芯片的出现可能缓解计算能力的短缺，通过混合和匹配不同处理引擎来完成特定任务。超高速、低功耗硅片与更多通用芯片或小芯片之间平衡的架构需求。在 AI 领域，对通用和可编程性的强烈需求与对定制硬件高效性的追求相互碰撞。

如何高效地将软件映射到异构处理器阵列上成为了关键挑战，目前业界尚未完全掌握这一技术。共存的处理器架构越多，映射问题就越复杂。

Part 2

多个市场，多个权衡

AI 的发展得益于 GPU 的处理能力，其图形处理功能与 AI 核心部分所需功能的相似性，以及相应软件工具链的创建，使得 NVIDIA GPU 成为最易定位的处理器。

然而，成为通用加速器的领导者并非一帆风顺，需要考虑面向未来的问题。若只是为特定应用构建硬件，则无需过多考虑未来的通用性，但这也可能导致 18 个月后出现新算法时硬件的落后。特异性也可以分层构建，通过硬件抽象层以标准化方式向软件公开，使得应用程序的特异性上升到更高的层次。

硬件实现需要权衡诸多因素，尤其是在 AI 领域，工作量不断发展变化，现有的架构面临诸多质疑。通用设备数量往往不足以满足需求，这促使行业寻求更高效的硬件解决方案。小芯片的出现或许能缓解这一问题，随着小芯片封装成本的降低，其应用范围有望从数据中心扩展到更广泛的市场。

AI的快速发展对芯片设计提出了前所未有的挑战。在训练和推理场景中，定制芯片与通用芯片之间的选择取决于具体的应用场景和市场。对于边缘设备，低功耗和高性能成为关键考量，而定制芯片能够提供最优解。AI和RISC-V的交集展示了特定领域计算与通用计算的共存。

随着技术的演进，特定领域的设计可能变得更加普遍，但也可能遵循历史模式，先经历定制化，随后转向低成本通用组件。在设计前沿，定制硬件提供了竞争优势，但高昂的成本和漫长的开发周期使得市场机会有时被浪费。

随着摩尔定律的放缓，定制解决方案可能成为新的赢家，但公司必须紧跟最新技术节点，否则通用处理器的自动进步将失去保障。

小结

技术问题将决定定制与通用设计之间的平衡点。随着功耗极限的到来，定制化成为必然趋势，但灵活性、可扩展性和市场适用性之间的矛盾依然存在。在芯片行业与AI计算的分裂中，寻找合适的平衡将决定未来芯片和系统架构的走向。